[發明專利]一種太陽能飛機自主尋優航跡規劃方法

有效

• 申請號: 201711467054.9
• 申請日: 2017-12-28
• 公開（公告）號: CN108107911B
• 公開（公告）日: 2021-01-08
• 發明（設計）人: 李可;文東升;胡慶雷;劉猛;孫康文
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G05D1/10
• 分類號: G05D1/10
• 代理公司: 北京金恒聯合知識產權代理事務所 11324
• 代理人: 李強

1.一種太陽能飛機自主尋優航跡規劃方法，其特征在于包括：

A)確定系統模型，該系統模型包括：

對太陽能電池板發電功率(1005)、系統功率消耗(1006)、電池電量狀態(1004)的評估；

飛行動力學參數，包括地速、空速、風速；

飛行控制器(1003)，其是無人飛行器的邏輯決策單元，依據系統狀態決定飛行的空速，

氣象預測數據(1001)，包括云層厚度和分布、降水、風向和等級，

決定飛行器飛行路線的太陽輻照度(1002)，其影響飛行器的太陽能電池板發電功率和飛行器的飛行參數，

B)構建目標函數(2006)，其中要求所規劃的航跡使得所構建的目標函數的值最小，

目標函數(2006)是影響因素的加權組合，所述影響因素包括飛行時間、環境成本、系統代價，其中，

環境成本是指環境因素對飛機飛行安全的響應，包括強風、陣風、濕度、降水量和風暴，

系統代價包括電池電荷狀態、功率消耗、功率產生，

為了得到一致的加權求和，目標函數的影響因素的代價函數表示為：

其中，

通過調節參數α_k，β_k，ε_k，控制各個影響因素對于目標函數的代價值的影響，α_k和β_k確定了代價值的邊界的最低閾值和最高上限，X_k是第k個參數樣本集合，參數樣本集合包括上述各個影響因素的單個樣本，

使用Heaviside函數H(x)，當變量值x低于閾值時不產生消耗，表示該因素不在臨界范圍，不需要做特別考慮；當變量值x高于上限值時，表示該因素對飛行器的飛行安全有嚴重影響并會影響航跡規劃的結果，

ε_k決定了代價函數的曲線形狀，

C)根據定義的目標函數(2006)，使用隨機森林算法(2007)規劃飛行器的航跡，

其中，

采用隨機森林算法(2007)，通過疊加所有考慮的影響因素的代價，并在飛行時間內進行積分，來計算路徑的目標函數累積代價，路徑的目標函數累積代價定義為：

其中k＝1，2，…，n是影響因素類別，t1、t2分別為飛行時間的起始時間t1和飛行結束時間t2，

所述步驟C)包括生成隨機森林的步驟，具體包括：

C1)從原始訓練數據集(3001)中，應用bootstrap方法有放回地隨機抽取K個新的自主樣本集(3002)，并由此構建K棵決策樹(3004)，每次未抽到的樣本組成了K個袋外數據(3003)，

C2)設有N個特征，則在每一棵決策樹的每個節點處隨機抽取m_try個特征，其中m_try≤N，通過計算每個特征蘊含的信息量，在m_try個特征中選擇一個最具有分類能力的特征進行節點分裂，

C3)每棵決策樹最大限度地生長，不做任何裁剪，

C4)將生成的多棵決策樹組成隨機森林(4006)，用隨機森林對測試數據(4005)進行決策，分類結果(3005)按決策樹分類器的投票多少而定(3006)，

在隨機森林算法(4006)中，當決策樹分類器足夠多時，h_k(X)＝h(X，θ_k)服從強大數定律，隨著隨機森林中決策樹數量的增加，所有序列θ₁，θ₂，…，θ_k，PE^*處處收斂于

其中，P_x，y表示概率P覆蓋X、Y樣本空間，θ_k是服從獨立同分布的隨機向量，k表示隨機森林中決策樹的個數，上式表明隨機森林不會隨著決策樹的增加而產生過擬合問題，可能產生的一定限度內的泛化誤差被定義為：

PE^*＝P_X，Y(mg(X，Y)＜0)

其中：

下標X、Y表示概率P覆蓋X、Y樣本空間，

h₁(X)，h₂(X)，…，h_k(X)表示給定的一組分類器，在給定的一組分類器h₁(X)，h₂(X)，…，h_k(X)中，每個分類器的訓練集都從原始的服從隨機分布的數據集(Y，X)中隨機抽樣所得，

mg(X，Y)是余量函數，定義為：

其中I是示性函數，av_k是余量函數度量平均值，

所述隨機森林算法包括：

應用自助法重采樣技術生成整個決策樹分類器，

其中，單個決策樹的生成過程包括：

首先對原始樣本數據(4001)進行預處理(4002)，

然后從數據總量為N的原始樣本數據(4001)中采取有放回抽樣的方法隨機抽取樣本(4003)，

重復k次形成一個新的訓練數據集(4004)，以此生成一顆決策樹(3004)，其中決策樹的數目ntree值為k，

訓練多個決策樹的分類器，

組合多棵決策樹的預測，

最終通過投票得出預測結果，

其中，

每個自助樣本集生長為單棵決策樹，所述自助樣本集是單棵決策樹的全部訓練數據，

在單棵決策樹的每個節點處，從N個特征中隨機挑選m_try個特征，按照節點不純度最小的原則從這m_try個特征中選出一個特征進行分支生長，然后再分別遞歸調用上述從“在單棵決策樹的每個節點處”開始的過程構造各個分枝，直到這棵決策樹能準確地分類訓練集，或所有屬性都已被使用過，

在整個森林的生長過程中，m_try將保持恒定，

各決策樹不進行剪枝操作，以達到低偏差和高差異而充分生長，使得每個節點的不純度達到最小目的，

所述太陽能飛機自主尋優航跡規劃方法進一步包括：

用余量函數度量平均正確分類超過平均錯誤分類數的程度，余量值越大，分類預測越可靠，

隨機森林(4006)包括一組決策樹分類器{h(X，θ_k)，k＝1，2，…，K}，其中{θ_k}是服從獨立同分布的隨機向量，K表示隨機森林中決策樹的個數(4007)，在給定自變量X下，每個決策樹分類器通過投票(4008)來決定最優的分類結果(4009)，

隨機森林包括許多決策樹集成在一起的分類器，組合多棵決策樹的預測，最終通過投票得出預測結果，包括數據收集(5001)、特征提取(5002)、信息處理(5003)，其中：

在對數據進行采集以及預處理之后，采用主成分分析的方法(50021)分別對訓練集和測試集進行特征提取得到特征向量(50022)，

然后采用橫向多重隨機森林算法(50031)針對訓練集建立模型，

再把測試集導入進行信息的處理與識別，采取決策投票(50032)獲得最終的結果。